Visualisirung - Teil 2

Fragen zu Beantworten:

1. Wer sind unsere Kunden?
2. In welchen Ländern ist unser Service beliebt
3. Was bringt uns das meiste Geld?
4. Welche Bereiche erfordern Investitionen?
5. Welche Projekte bringen uns den größten Gewinn?
6. Ist unser Projekt erfolgreich? Können unsere Kunden Investoren finden?

Import der benötigten Bibliotheken

import pandas as pd
import plotly.express as px 
from plotly.subplots import make_subplots
import plotly.graph_objects as go

# # Wichtig, wenn das Notebook exportiert wird in HTML, dann werden die Grafiken auch im HTML angezeigt
# from plotly.offline import init_notebook_mode, iplot
# init_notebook_mode(connected=True)

Daten aus .pkl Datei einlesen

df = pd.read_pickle("df_after_preprocessing.pkl")

df.head(2)

	funded_amount	loan_amount	activity	sector	use	country_code	country	currency	term_in_months	lender_count	...	difference_usd	difference_pct	success_type	Continent_Name	Three_Letter_Country_Code	gdp	percPoverty	pop	loan_cat	project_size
0	300.0	300.0	Fruits & Vegetables	Food	To buy seasonal, fresh fruits to sell.	PK	Pakistan	PKR	12.0	12	...	0.0	100.0	successful	Asia	PAK	1188.859985	24.299999	220892336.0	250-500 USD	medium
1	575.0	575.0	Rickshaw	Transportation	to repair and maintain the auto rickshaw used ...	PK	Pakistan	PKR	11.0	14	...	0.0	100.0	successful	Asia	PAK	1188.859985	24.299999	220892336.0	500-1,000 USD	large

2 rows × 26 columns

Wie viel Geld brauchen unsere Kunden für ihre Projekte?

for_visual = df.groupby(['loan_cat'], as_index=False).size()

fig = px.pie(
    for_visual,
    values='size',
    names='loan_cat',
    color='loan_cat',
    color_discrete_map={
                            '< 250 USD':'#98c1d9' ,
                            '250-500 USD':'#3d5a80',
                            '500-1,000 USD':'#A9F4F6',
                            '1,000-2,000 USD':'#ee6c4d',
                            '2,000-5,000 USD':'#7F3D49',
                            '>5,000 USD': '#293241'
                        },
    title='Wie viel Geld brauchen unsere Kunden für ihre Projekte?'
)

fig.update_traces(textposition='auto', textinfo='percent + label')
fig.update_layout(legend_title_text='Kreditbetrag')

fig.show()

--- Der größte Teil (ca. 78 %) entfällt auf Kredite bis zu 1000 USD.

--- Ein Viertel der Projekte liegt unter 250 USD.

--- Kredite über 1000 USD machen 22 % aus, einschließlich der Kredite über 5000 EUR, die etwa 1,5 % der Gesamtzahl der Kredite ausmachen.

---> Grundsätzlich benötigen unsere Klienten einen relativ geringen Geldbetrag

Wie viele Projekte wurden erfolgreich abgeschlossen?

df["is_goal_achieved"] = df.loc[:, 'difference_usd'].apply(lambda x: "yes" if x>=0 else "no")

for_visual = df.groupby(by='is_goal_achieved', as_index=False).size()
for_visual

	is_goal_achieved	size
0	no	48328
1	yes	622877

fig = px.bar(data_frame=for_visual,
             x='is_goal_achieved',
             y='size', 
             text = 'size',
             title="Wie viele Projekte haben den vollen Kreditbetrag gesammelt?",
             labels={'size':'Anzahl Projekte', 'is_goal_achieved':'Ist Ziel erreicht?'},
             color_discrete_sequence=["#98c1d9", '#ee6c4d'])

fig.update_traces(texttemplate='%{text:,}', textposition='outside')
fig.update_traces(showlegend=False)


fig.show()

--- 622,877 Projekte haben es geschafft, den gesamten Betrag zu sammeln.

--- 48,328 Projekte konnten nicht den vollen Betrag sammeln. Aber das bedeutet nicht, dass sie kein Geld bekommen haben. Weiter schauen wir diese Projekte präzise an.

Ist unsere Plattform erfolgreich? Können unsere Kunden Kreditgeber finden?

for_visual = df.groupby('success_type', as_index=False).size().sort_values('size')
for_visual

	success_type	size
0	fail	3541
1	partially	44787
2	successful	622877

fig = px.pie(
    for_visual,
    values='size',
    names='success_type',
    color='success_type',
    title='Ist unsere Plattform erfolgreich? Können unsere Kunden Kreditgeber finden?',
    color_discrete_map={
                            'successful':'#3d5a80',
                            'partially':'#ee6c4d',
                            'fail':'#293241'
                        }
)

fig.update_traces(hole=.4)

fig.update_layout(
    # Add annotations in the center of the donut pies.
    annotations=[dict(text='Erfolg?', x=0.5, y=0.5, font_size=20, showarrow=False)])

fig.show()

--- Fast 93% der Projekte auf unserer Plattform haben den erforderlichen Geldbetrag erhaltet.

--- 6,7 Prozent der Projekte haben den Betrag teilweise aufgebracht.

--- Nur 0,5 Prozent der Projekte konnten kein Geld aufbringen.

---> Wir können behaupten, dass unsere Plattform in fast 100% der Fälle Menschen hilft, Geld für ihre Projekte zu finden.

Wie viele Prozent der ganzen Betrag wurden von Projekten, die das Ziel nicht erreicht haben, gesammelt?

unsuccessful_projects = df.loc[df.loc[:,'is_goal_achieved'] == 'no'].copy()

unsuccessful_projects.head(2)

	funded_amount	loan_amount	activity	sector	use	country_code	country	currency	term_in_months	lender_count	...	difference_pct	success_type	Continent_Name	Three_Letter_Country_Code	gdp	percPoverty	pop	loan_cat	project_size	is_goal_achieved
87	4275.0	5000.0	Personal Housing Expenses	Housing	to pave the ground and repair the ceiling, to ...	PS	Palestine	USD	39.0	58	...	85.500000	partially	Asia	PSE	3239.729980	29.200001	4803269.0	2,000-5,000 USD	extrem large	no
112	1925.0	2400.0	Electronics Repair	Services	to pay the annual rent for his shop	IQ	Iraq	USD	15.0	41	...	80.209999	partially	Asia	IRQ	4145.859863	18.900000	40222504.0	2,000-5,000 USD	very large	no

2 rows × 27 columns

liste_category = ['0%','< 25%','25-50%','50-75%', "> 75%"]

unsuccessful_projects["success_group"] = pd.cut(
    unsuccessful_projects.loc[:, "difference_pct"],
    bins = [-1, 0, 25, 50, 75, 100],
    labels = liste_category)

unsuccessful_projects.head(2)

	funded_amount	loan_amount	activity	sector	use	country_code	country	currency	term_in_months	lender_count	...	success_type	Continent_Name	Three_Letter_Country_Code	gdp	percPoverty	pop	loan_cat	project_size	is_goal_achieved	success_group
87	4275.0	5000.0	Personal Housing Expenses	Housing	to pave the ground and repair the ceiling, to ...	PS	Palestine	USD	39.0	58	...	partially	Asia	PSE	3239.729980	29.200001	4803269.0	2,000-5,000 USD	extrem large	no	> 75%
112	1925.0	2400.0	Electronics Repair	Services	to pay the annual rent for his shop	IQ	Iraq	USD	15.0	41	...	partially	Asia	IRQ	4145.859863	18.900000	40222504.0	2,000-5,000 USD	very large	no	> 75%

2 rows × 28 columns

unsuccessful_projects_gr = unsuccessful_projects.groupby(by=['success_group'], as_index=False).size().sort_values('success_group')
unsuccessful_projects_gr

	success_group	size
0	0%	3383
1	< 25%	9822
2	25-50%	13515
3	50-75%	14214
4	> 75%	7394

fig = px.pie(
    unsuccessful_projects_gr,
    values='size',
    names='success_group',
    color='success_group',
    title='Erfolglose Projekte. Prozentsatz der gesammelten Gelder',
    color_discrete_map={
                            '0%':'#7F3D49',
                            '< 25%':'#A9F4F6 ',
                            '25-50%':'#98c1d9',
                            '50-75%':'#3d5a80',
                            '> 75%':'#ee6c4d'
                        }
)

fig.update_traces(textposition='inside', textinfo='percent + label')
fig.update_layout(legend_title_text='Prozent der<br>gesammelten Betrag')

fig.show()

unsuccessful_projects_gr.loc[unsuccessful_projects_gr.loc[:, 'success_group'] == '0%', 'size']

0    3383
Name: size, dtype: int64

f"{round(3383/ df.shape[0] * 100, 2)} %"

'0.5 %'

--> Nur sieben Prozent der Projekte konnten nichts sammeln und im Vergleich zum gesamten Datensatz nur 0,5 Prozent.

Wirkt sich eine Beschreibung des Projektziels auf den Erfolg des Projekts aus?

unsucces_vs_description = unsuccessful_projects.groupby(
    ['success_group', 'has_description'],
    as_index=False,
    observed=True).agg(number_of_projects=('has_description', 'size'))

unsucces_vs_description = unsucces_vs_description.merge(unsuccessful_projects_gr, how='left', left_on='success_group', right_on='success_group')
unsucces_vs_description['part_prc'] = round(unsucces_vs_description['number_of_projects'] / unsucces_vs_description['size'] * 100, 2)
unsucces_vs_description

	success_group	has_description	number_of_projects	size	part_prc
0	0%	no	131	3383	3.87
1	0%	yes	3252	3383	96.13
2	< 25%	no	355	9822	3.61
3	< 25%	yes	9467	9822	96.39
4	25-50%	no	107	13515	0.79
5	25-50%	yes	13408	13515	99.21
6	50-75%	no	74	14214	0.52
7	50-75%	yes	14140	14214	99.48
8	> 75%	no	21	7394	0.28
9	> 75%	yes	7373	7394	99.72

fig = px.bar(
    unsucces_vs_description,
    x='success_group',
    y='part_prc',
    text='part_prc',
    color='has_description',
    barmode='group',
    color_discrete_sequence=["#ee6c4d", "#3d5a80"],
    title='Verteilung der Projekte mit und ohne Beschreibungen nach dem Prozentsatz der gesammelten Gelder',
    labels={
        'part_prc':'Projekte %',
        'success_group': 'Prozentualer Anteil der erhaltenen Finanzierung'
    })

fig.update_traces(texttemplate='%{text:.2f}%', textposition='outside')

# Set legend title text
fig.update_layout(
    legend_title_text='Enthält das Projekt<br>eine Beschreibung?')

fig.show()

Förderkategorie	ohne Beschreibung
0%	3.87%
< 25%	3.61%
25-50%	0.79%
50-75%	0.52%
> 75%	0.28%

--- Es besteht ein deutlicher Zusammenhang zwischen der Verfügbarkeit der Beschreibung und dem Prozentsatz der eingenommenen Gelder.

Gleichzeitig mit dem Rückgang des Prozentsatzes der Projekte ohne Beschreibung steigt der Prozentsatz des gesammelten Betrags.

---> Wir müssen unsere Website dahingehend verbessern, dass sie eine detaillierte Beschreibung der einzelnen Projekte enthält, da dies Auswirkungen auf den Erfolg haben kann.

Wie viele Menschen müssen unsere Kunden überzeugen, um eine vollständige Finanzierung zu erhalten?

successful_projects = df.loc[df.loc[:,'is_goal_achieved'] == 'yes'].copy()

for_visual = successful_projects.groupby(['loan_cat'], as_index=False,
    observed=True).agg(number_of_projects=('loan_amount', 'size'), mean_lender=('lender_count', 'mean'))
for_visual

	loan_cat	number_of_projects	mean_lender
0	< 250 USD	162290	5.666098
1	250-500 USD	188030	11.281460
2	500-1,000 USD	145518	21.388296
3	1,000-2,000 USD	81414	39.170720
4	2,000-5,000 USD	37343	71.863027
5	>5,000 USD	8282	129.559044

fig = px.scatter(data_frame=for_visual,
             y='loan_cat',x='mean_lender',
             text='mean_lender',
             size='number_of_projects',
             size_max=45,
            # size=[10]*6,
             opacity=1,
             title="Wie viele Kreditgeber müssen unsere Kunden überzeugen, um eine vollständige Finanzierung zu erhalten?",
             labels={
                 'loan_cat':'Kreditkategorie',
                 'mean_lender':'mittlere Anzahl der Kreditgeber'
             },
             color_discrete_sequence=["#98c1d9"])

fig.update_traces(texttemplate='%{text:.0f}', textposition='middle right')


fig2 = px.line(data_frame=for_visual, y='loan_cat',x='mean_lender', markers=True)
fig2.update_traces(line=dict(color='#3d5a80', width=1.5))

fig.add_trace(fig2.data[0])

fig.update_traces(showlegend=False)

Der Großteil der Kredite liegt bei bis zu 1.000 Euro. Daher muss unser Kunde durchschnittlich 12 Kreditgeber finden.

Und für Kleinkredite bis zu 250 Euro werden im Durchschnitt 6 Kreditgeber benötigt.

--> Wir müssen damit werben, dass unsere Kunden nur eine sehr kleine Anzahl von Personen überzeugen müssen, damit ihr Projekt vollständig finanziert wird.

Verhältnis zwischen erfolgreichen und erfolglosen Projekten pro Kontinent

cont_projekt_num_df = df.groupby('Continent_Name', as_index=False).agg(projekt_num = ('loan_amount', 'size'))
unsuc_projekt_cont_df = unsuccessful_projects.groupby(['success_group', 'Continent_Name'], as_index=False).size()
unsuc_projekt_cont_df = unsuc_projekt_cont_df.merge(
    cont_projekt_num_df, how='left', left_on='Continent_Name', right_on='Continent_Name')
unsuc_projekt_cont_df['unsuc_prc'] = round(unsuc_projekt_cont_df['size'] / unsuc_projekt_cont_df['projekt_num'] * 100, 2)
unsuc_projekt_cont_df.head()

	success_group	Continent_Name	size	projekt_num	unsuc_prc
0	0%	Africa	1153	173038	0.67
1	0%	Asia	773	308449	0.25
2	0%	Europe	41	19352	0.21
3	0%	North America	1167	83436	1.40
4	0%	Oceania	27	7955	0.34

# fig = px.line(unsuc_projekt_cont_df, x="success_group", y='unsuc_prc', markers=True,
#                  #  marginal="box",
#                    color='Continent_Name',
#                    title="Verteilung des Prozentsatzes des gesammelten Geldes aus dem angegebenen Betrag",
#                    labels={'difference_pct':'Prozentsatz des gesammelten Geldes aus dem erforderlichen Betrag, %',
#                             'Continent_Name':'Kontinent',
#                           'success_group': 'Prozentualer Anteil der erhaltenen Finanzierung',
#                           'unsuc_prc': '% erfolgsosen Projekte' },
#                 color_discrete_map={
#                             'Asia':'#3d5a80' ,
#                             'Africa':'#98c1d9',
#                             'North America':'#0B696C',
#                             'South America':'#ee6c4d',
#                             'Europe':'#7F3D49',
#                             'Oceania': '#293241'
#                         }
#                   )
# fig.show()

cont_projekt_stat = unsuc_projekt_cont_df.groupby(['Continent_Name', 'projekt_num'], as_index=False).agg(
    unsuc_prc = ('unsuc_prc', 'sum'), unsuc_num=('size', 'sum')).sort_values('unsuc_prc')
cont_projekt_stat['projekt_prc'] = round(cont_projekt_stat['projekt_num'] / sum(cont_projekt_stat['projekt_num']) * 100, 2)
cont_projekt_stat['suc_prc'] = 100 - cont_projekt_stat['unsuc_prc']
cont_projekt_stat['suc_num'] = cont_projekt_stat['projekt_num'] - cont_projekt_stat['unsuc_num']
cont_projekt_stat.sort_values('projekt_num', ascending=False, inplace=True)

fig = make_subplots(rows=1, cols=2,
                   specs=[[{"type": "bar"}, {"type": "bar"}]],
                    subplot_titles=("Verhältnis zwischen erfolgreichen<br>und erfolglosen Projekten pro Kontinent", "Anzahl Projekte nach Kontinent"))

fig1 = px.bar(data_frame=cont_projekt_stat, x='Continent_Name',y=['unsuc_prc', 'suc_prc'],
        #    text='suc_prc',
              color_discrete_map={'unsuc_prc':'#F3927A', 'suc_prc':'#506280'},
#               labels={'unsuc_prc' :'erfolglos', 'suc_prc' : 'erfolgreich'}
             )
fig1.data[0]['text'] = round(cont_projekt_stat['unsuc_prc'],2)
fig1.data[1]['text'] = round(cont_projekt_stat['suc_prc'],2)
fig1.update_traces(texttemplate='%{text:,}%', textposition='inside', textfont_size=8)

# fig2 = px.pie(cont_projekt_stat, values='projekt_num', names='Continent_Name', color='Continent_Name',
#              color_discrete_map={
#                             'Asia':'#3d5a80' ,
#                             'Africa':'#98c1d9',
#                             'North America':'#A9F4F6 ',
#                             'South America':'#ee6c4d',
#                             'Europe':'#7F3D49',
#                             'Oceania': '#293241'
#                         })

fig2 = px.bar(data_frame=cont_projekt_stat, x='Continent_Name',y=['unsuc_num', 'suc_num'],
              color_discrete_map={'unsuc_num':'#F3927A', 'suc_num':'#506280'},
             )
fig2.data[1]['text'] = cont_projekt_stat['projekt_num']
fig2.update_traces(textposition='outside', textfont_size=8)

fig.add_trace(fig1.data[0], row=1, col=1)
fig.add_trace(fig1.data[1], row=1, col=1)
fig.add_trace(fig2.data[0], row=1, col=2)
fig.add_trace(fig2.data[1], row=1, col=2)
fig.update_traces(showlegend=False, row=1,col=1)
fig.update_layout(barmode='relative')
fig.update_yaxes(title_text = "%", row=1,col=1)
fig.update_yaxes(title_text = "Anzahl Projekte", row=1,col=2)

fig.show()

# Create figure with secondary y-axis
fig = make_subplots(specs=[[{"secondary_y": True}]])

# Add traces
fig.add_trace(
    go.Bar(x=cont_projekt_stat['Continent_Name'], y=cont_projekt_stat['unsuc_num'], marker_color='#F3927A',
          name='Erfolgreiche Projekte Anz.'),
    secondary_y=False,
)
fig.add_trace(
    go.Bar(x=cont_projekt_stat['Continent_Name'], y=cont_projekt_stat['suc_num'], marker_color='#506280',
          name='Erfolglose Projekte Anz.'),
    secondary_y=False,
)
                                                       
fig.add_trace(
    go.Scatter(x=cont_projekt_stat['Continent_Name'], y=cont_projekt_stat['unsuc_prc'], name='Erfolglose Projekte %',
              line=dict(color='#293241', width=2)),
    secondary_y=True,
)

# Add figure title
fig.update_layout(
    title_text="Verhältnis zwischen erfolgreichen und erfolglosen Projekten pro Kontinent"
)

# Set x-axis title
fig.update_xaxes(title_text="Kontinent")

# Set y-axes titles
fig.update_yaxes(title_text="Anzahl Projekte", secondary_y=False)
fig.update_yaxes(title_text="% erfolglose Projekte", secondary_y=True, range=[0, 100])
fig.update_layout(barmode='relative')

fig.show()

--- Der Prozentsatz der erfolgreich finanzierten Projekte ist auf den Kontinenten höher, auf denen der Service besser entwickelt ist. In Asien und Afrika sind es zum Beispiel 95,5 % bzw. 93 %.

Kontinent	Anz. Projekte	Erfolglose Projekte, %
Asia	308,449	4.42%
Africa	173,038	7.05%
North America	83,436	14.62%
South America	78,975	8.6%
Europe	19,352	14.53%
Oceania	7,955	9.25%

# country_suc_unsuc_df = df.groupby(['country'], as_index=False, observed=True).agg(
#     projekt_num = ('loan_amount', 'size')).sort_values('projekt_num', ascending=False)

# country_suc_unsuc_df = country_suc_unsuc_df.merge(
#     unsuccessful_projects.groupby(['country'], as_index=False).agg(unsuc_projekt_num = ('loan_amount', 'size')),
#     how='left',
#     left_on='country', right_on='country')

# country_suc_unsuc_df = country_suc_unsuc_df.merge(
#     successful_projects.groupby(['country'], as_index=False).agg(suc_projekt_num = ('loan_amount', 'size')),
#     how='left',
#     left_on='country', right_on='country')

# country_suc_unsuc_df['unsuc_projekt_prc'] = round(
#     country_suc_unsuc_df['unsuc_projekt_num'] / country_suc_unsuc_df['projekt_num'] *100, 2)

# country_suc_unsuc_df_top10 = country_suc_unsuc_df.loc[:10, :].copy()
# country_suc_unsuc_df_top10

Zu welchen Sektoren gehören die Projekte, wie verteilen sich die erhaltenen Kredite?

for_visual = df.groupby('sector', as_index=False).agg(funded_sum = ('funded_amount', 'sum'),
                                                      count = ('sector','size')).sort_values('count', ascending=False)


fig = make_subplots(rows=1, cols=2, specs=[[{"type": "pie"}, {"type": "pie"}]],
                   subplot_titles=("Gesamtanzahl der Projekte", "Gesamtkreditbetrag"))

fig1 = px.pie(
    for_visual, values='count', names='sector')
fig2 = px.pie(
    for_visual, values='funded_sum', names='sector')

fig.add_trace(fig1.data[0], row=1, col=1)
fig.add_trace(fig2.data[0], row=1, col=2)

fig.update_layout(title="Daten nach Sektoren",template='ggplot2') 

fig.update_layout(legend=dict(
    xanchor="right",
    x = 0
))

fig.show()

--- TOP 3 Sectors: 'Agriculture', 'Food', 'Retail'

--- Für einen genaueren Vergleich sollten Sie eine andere Form der Grafik verwenden

df_sector = for_visual.copy()
df_sector.head()

	sector	funded_sum	count
0	Agriculture	133770632.0	180302
6	Food	115089208.0	136657
11	Retail	90864856.0	124494
12	Services	42966084.0	45140
10	Personal Use	14189775.0	36385

sum_funded = df_sector.loc[:, 'funded_sum'].sum()
sum_count = df_sector.loc[:, 'count'].sum()

print(sum_funded, "    ", sum_count)

527563800.0      671205

df_sector['funded_%'] = round(df_sector.loc[:, 'funded_sum'] / sum_funded * 100, 2)
df_sector['count_%'] = round(df_sector.loc[:, 'count'] / sum_count * 100, 2)

df_sector.sort_values('count', ascending=False)

df_sector.head()

	sector	funded_sum	count	funded_%	count_%
0	Agriculture	133770632.0	180302	25.360001	26.86
6	Food	115089208.0	136657	21.820000	20.36
11	Retail	90864856.0	124494	17.219999	18.55
12	Services	42966084.0	45140	8.140000	6.73
10	Personal Use	14189775.0	36385	2.690000	5.42

fig = go.Figure(data=[
    go.Bar(
        name='Kreditbetrag, %',
        y=df_sector['sector'],
        x=df_sector['funded_%'],
        marker_color='#F3927A',
        text = df_sector['funded_%'], orientation='h'),
    go.Bar(
        name='Anzahl Projekte, %', marker_color='#506280',
        y=df_sector['sector'], x=df_sector['count_%'], text = df_sector['count_%'], orientation='h')
])
# Change the bar mode
fig.update_traces(texttemplate='%{text:.1f}%', textposition='outside') #:.2f
fig.update_layout(barmode='group', title="Gesamtzahl der Projekte und Gesamtkreditbetrag nach Sektoren",
                  height=800) #, width=1000)#,
fig.update_yaxes(categoryorder = "total ascending", title_text = "Sektor")
fig.update_xaxes(range=[0, 29], title_text = "Anteil an der Gesamtzahl, %")
fig.update_layout(legend=dict(
    yanchor="bottom",
    y=0.01,
    xanchor="right",
    x = 0.99
))

fig.show()

--- TOP3 Sektors: 'Agriculture', 'Food', 'Retail'

--- Die Anzahl der Projekte und die Höhe des gesammelten Geldes sind für jeden Sektor proportional gleich

--- Deutlicher prozentualer Unterschied (2,7%) nur für den Sektor 'Personal Use'

TOP 3 Sektoren für TOP 5 Länder

#TOP5
top5_country = list(df.groupby('country', as_index=False)
                      .size()
                      .sort_values('size', ascending=False)
                      .reset_index().loc[:4, 'country'])
top5_country

['Philippines', 'Kenya', 'El Salvador', 'Cambodia', 'Pakistan']

#TOP5
top5_country = df.groupby('country', as_index=False).size().sort_values('size', ascending=False).reset_index(drop=True).loc[:4, :]
top5_country_l = list(top5_country.loc[:4, 'country'])
top5_country_l

['Philippines', 'Kenya', 'El Salvador', 'Cambodia', 'Pakistan']

top5_country_df = df.loc[df['country'].isin(top5_country_l), :].copy()

top5_country_gr = top5_country_df.groupby(
    ['country', 'sector'], as_index=False, observed=True
).size().sort_values(['country', 'size'], ascending=False)

top5_country_gr = top5_country_gr.merge(top5_country, left_on='country', right_on='country', how='left')
top5_country_gr['size_prc'] = round(top5_country_gr['size_x'] / top5_country_gr['size_y'] * 100, 2)
top5_country_gr

	country	sector	size_x	size_y	size_prc
0	Philippines	Retail	53581	160441	33.40
1	Philippines	Food	42700	160441	26.61
2	Philippines	Agriculture	36776	160441	22.92
3	Philippines	Housing	6785	160441	4.23
4	Philippines	Transportation	4568	160441	2.85
...	...	...	...	...	...
70	Cambodia	Health	46	34836	0.13
71	Cambodia	Manufacturing	42	34836	0.12
72	Cambodia	Clothing	41	34836	0.12
73	Cambodia	Wholesale	7	34836	0.02
74	Cambodia	Entertainment	7	34836	0.02

75 rows × 5 columns

for_visual = top5_country_gr.groupby('country').head(3).sort_values(['country', 'size_x'], ascending=False).reset_index(drop=True)



fig = px.bar(for_visual, x='size_x', y='country', title="TOP 3 Sektoren für TOP 5 Länder",
             color = 'sector', orientation='h', text='size_x',
             hover_name="sector", hover_data=["country", "size_x", 'size_prc'],
            color_discrete_map={
                            'Retail':'#98c1d9' ,
                            'Food':'#3d5a80',
                            'Agriculture':'#ee6c4d',
                            'Services':'#293241',
                            'Transportation':'#109DA2',
                            'Housing': '#7F3D49',
                            'Personal Use':'#A9F4F6'
                        },
            labels={'country' : 'Land', 'sector' : 'Sektor', 'size_x' : 'Anzahl Projekte'})
fig.update_traces(texttemplate='%{text}', textposition='inside')
fig.update_yaxes(categoryorder = "total descending")
fig.show()

• Philippines: Retail (33.4%), Food (26.61%), Agriculture (22.92%)
• Kenya: Agriculture (44.37%), Food (18.56%), Retail (13.43%)
• Cambodia: Personal Use (52.36%), Agriculture (30.31%), Housing (6.05%)
• El Salvador: Agriculture (35.13%), Food (20.86%), Housing (14.99%)
• Pakistan: Services (23.94%), Retail (15.82%), Transportation (12.69%)

Geografische Verteilung der Kunden

• Aus welchen Ländern sind unsere Kunden?
• In welchen Ländern wird unser Service am häufigsten genutzt?
• Wie viel Investition wurde je nach Land gesammelt?

In welchen Ländern wird unsere Plattform am häufigsten genutzt?

print(df.shape[0] * 0.02)
print(df.shape[0] * 0.005)

13424.1
3356.025

for_visual = df.groupby(by='country', as_index=False).size().sort_values(by='size', ascending=False)
percent_other = 1
num = df.shape[0]
num_other = sum(for_visual.loc[for_visual.loc[:, 'size'] < num*percent_other/100, 'size'])

for_visual.drop(for_visual.loc[for_visual.loc[:, 'size'] < num*percent_other/100, :].index, axis=0, inplace=True)
for_visual['country_patrent'] = for_visual.loc[:, 'size'].apply(lambda x: '< 2%' if x < num*0.02 else '')


for_visual = for_visual.append({'country': 'other (< 1%)', 'size' : num_other, 'country_patrent' : '< 2%'}, ignore_index=True)


fig = px.sunburst(
    for_visual,
    path=['country_patrent', 'country'],
    values='size',
    title= 'Woher kommen unsere Kunden?',
    template='ggplot2'
   # color_discrete_sequence= px.colors.sequential.matter_r
)
fig.update_layout(margin = dict(t=25, l=0, r=0, b=0))
fig.update_traces(textinfo='label+percent entry', insidetextorientation='radial')
fig.show()

--> Etwa 24 Prozent der Spendenanfragen wurden auf den Philippinen gestellt
--> Als nächstes kommen Kenia (11%), El Salvador (6%), Kambodscha (5%) und Pakistan (4%)

for_visual = df.groupby(by=['Continent_Name', 'country'], as_index=False).size().sort_values(by='size', ascending=False)

fig = px.sunburst(
    for_visual,
    path=['Continent_Name', 'country'],
    values='size',
    title= 'Anzahl der Projekte nach Kontinenten und Ländern',
    template='ggplot2'
   # color_discrete_sequence= px.colors.sequential.matter
)

fig.show()

--> Die meisten unserer Kunden leben in Asien und Afrika.

Sind unsere Kunden hauptsächlich aus Entwicklungsländern?

for_visual = df.groupby(['gdp', 'country', 'Continent_Name'], as_index=False, observed=True).size()
for_visual['ratio'] =  for_visual['size'] / for_visual['gdp']
for_visual.loc[for_visual['size'] > 22000, 'country_to_show'] = for_visual.loc[:, 'country']


fig =px.line(for_visual, x='gdp', y='size',
             hover_name="country", text='country_to_show',
             markers=True,
             log_x=True,
             color_discrete_sequence=["#98c1d9"],
             title='Anzahl der Projekte VS Höhe des BIPs',
             labels={'gdp' : 'log. Pro-Kopf-BIP, $', 'size':'Anzahl Projekte'})

fig.update_traces(marker=dict(size=4.5, color='#3d5a80', opacity=0.75))
fig.update_traces(textposition='top center') 

fig.show()

--- Das Schaubild zeigt, dass der Großteil der Projekte auf Länder mit einem Pro-Kopf-BIP von weniger als 7.000 US-Dollar entfällt.

• Philippines - 3,298.83 $

• Kenya - 1,878.58 $

• El Salvadoe - 3,798.64 $

Unsere Kunden auf der Karte

for_visual = df.groupby(by=['Three_Letter_Country_Code', 'country'], as_index=False, observed=True).agg(funded_sum = ('funded_amount', 'sum'),
                                                                                         count = ('Three_Letter_Country_Code', 'size'))
for_visual.head()

	Three_Letter_Country_Code	country	funded_sum	count
0	PAK	Pakistan	12467100.0	26857
1	IND	India	6466850.0	11237
2	KEN	Kenya	32248404.0	75825
3	NIC	Nicaragua	9854375.0	11781
4	SLV	El Salvador	23357724.0	39875

fig = px.choropleth(for_visual, locations="Three_Letter_Country_Code",
                    color="count", # lifeExp is a column of gapminder
                    hover_name="country", # column to add to hover information
                    color_continuous_scale=px.colors.sequential.matter,
                    labels={'count':'Anzahl der Projekte'})

fig.update_layout(title="Anzahl der Projekte nach Ländern") 
fig.show()

fig = px.choropleth(for_visual, locations="Three_Letter_Country_Code",
                    color="funded_sum", # lifeExp is a column of gapminder
                    hover_name="country", # column to add to hover information
                    color_continuous_scale=px.colors.sequential.matter,
                    labels={'funded_sum':'Investitionen, USD'}
                   )


fig.update_layout(title="Investitionen nach Ländern") 
fig.show()

--> Wir haben Kunden auf der ganzen Welt (Asia, Afrika, Nord- und Südamerika).

--> Unsere Kunden sind hauptsächlich in Entwicklungsländern ansässig.

--> Die meisten Spendenanfragen gingen von Bewohnern der Philippinen, Kenias, El Salvadors, Kambodschas und Pakistans ein.

--> Auf den Philippinen wurden 160.000 Spendenanträge gestellt.

--> Die meisten Investitionen wurden auf den Philippinen, in Kenia, Peru, Paraguay, El Salvador und den USA gesammelt.

--> Unser Projekt auf den Philippinen gesammelt Investitionen in Höhe von 54 Millionen US-Dollar.

Geografische Verteilung von Krediten in verschiedenen Kreditkategorien

for_visual = df.groupby(['country', 'loan_cat', 'Three_Letter_Country_Code'],
                 as_index=False,
                 observed=True).agg(Number_of_Loans=('loan_cat', 'size')).sort_values(['loan_cat'])


for_visual

	country	loan_cat	Three_Letter_Country_Code	Number_of_Loans
0	Pakistan	< 250 USD	PAK	2368
207	The Democratic Republic of the Congo	< 250 USD	COD	90
197	Kosovo	< 250 USD	XXK	3
188	Georgia	< 250 USD	GEO	41
182	Indonesia	< 250 USD	IDN	797
...	...	...	...	...
237	Turkey	>5,000 USD	TUR	4
229	Zimbabwe	>5,000 USD	ZWE	4
223	Somalia	>5,000 USD	SOM	20
17	Kenya	>5,000 USD	KEN	126
426	Bhutan	>5,000 USD	BTN	2

427 rows × 4 columns

fig = px.choropleth(for_visual,
                    locations="Three_Letter_Country_Code",
                    color="Number_of_Loans",
                    hover_name="country",
                    color_continuous_scale=px.colors.sequential.matter,
                    animation_frame='loan_cat',
                    animation_group='Three_Letter_Country_Code',
                    labels={'Number_of_Loans':'Anzahl der Kredite', 'loan_cat':'Kreditgröße'},
                    range_color=(0, 10000),
                   )


fig.update_layout(title="Geografische Verteilung von Krediten in verschiedenen Kreditkategorien") 
fig.show()

Wie unser Umsatz und Kunden auf Kontinente verteilt sind

for_visual = df.groupby(by='Continent_Name', as_index=False).agg(funded_sum = ('funded_amount', 'sum'), 
                                                               size = ('project_size','size')).sort_values(by='size', ascending=False)

fig = make_subplots(rows=1, cols=2,
                    specs=[[{"type": "pie"}, {"type": "pie"}]],
                    subplot_titles=("Total number of projects", "Investments"))

fig1 = px.pie(for_visual, values='size', names='Continent_Name', color='Continent_Name',
             color_discrete_map={
                            'Asia':'#3d5a80' ,
                            'Africa':'#98c1d9',
                            'North America':'#A9F4F6',
                            'South America':'#ee6c4d',
                            'Europe':'#7F3D49',
                            'Oceania': '#293241'
                        })
fig2 = px.pie(for_visual, values='funded_sum', names='Continent_Name', color='Continent_Name',
             color_discrete_map={
                            'Asia':'#3d5a80' ,
                            'Africa':'#98c1d9',
                            'North America':'#A9F4F6',
                            'South America':'#ee6c4d',
                            'Europe':'#7F3D49',
                            'Oceania': '#293241'
                        })
fig.add_trace(fig1.data[0], row=1, col=1)
fig.add_trace(fig2.data[0], row=1, col=2)


fig.update_layout(legend=dict(
    xanchor="right",
    x = 0), title="Gesamtzahl der Projekte und Gesamtinvestitionen nach Kontinent")

fig.show()

--> 46% unserer Kunden aus asiatischen Ländern, 26% - aus Afrika, 12% - aus Nordamerikа und 12% - aus Südamerika
--> Wir haben fast keine Kunden aus Europa und Australien
--> Fast 72% der Kunden aus Asia und Afrika

--> Gleichzeitig wurden nur 57% der Investitionen in Asia und Afrika gesammelt.
--> Etwas mehr als ein Drittel der Investitionen wurde in Süd- und Nordamerika gesammelt

Vergleich der wichtigsten Parameter für die TOP 5 Länder

top5_country_df.columns

Index(['funded_amount', 'loan_amount', 'activity', 'sector', 'use',
       'country_code', 'country', 'currency', 'term_in_months', 'lender_count',
       'borrower_genders', 'repayment_interval', 'has_description',
       'num_of_borrower', 'num_male', 'num_female', 'difference_usd',
       'difference_pct', 'success_type', 'Continent_Name',
       'Three_Letter_Country_Code', 'gdp', 'percPoverty', 'pop', 'loan_cat',
       'project_size', 'is_goal_achieved'],
      dtype='object')

top5_country_goal_df = top5_country_df.groupby(['country', 'is_goal_achieved'], as_index=False, observed=True).size()
top5_country_goal_df = top5_country_goal_df.loc[top5_country_goal_df['is_goal_achieved'] == 'no', ['country', 'size']]
top5_country_goal_df

	country	size
0	Pakistan	1937
2	Kenya	5446
4	El Salvador	7152
6	Philippines	2834
8	Cambodia	1372

df_top5_agg = top5_country_df.groupby(['country', 'pop', 'percPoverty'], as_index=False, observed=True).agg(
    projekt_num = ('loan_amount', 'size'),
    funded_amount_mean = ('funded_amount', 'mean'),
    loan_amount_mean = ('loan_amount', 'mean'),
    funded_amount_sum = ('funded_amount', 'sum')
)

df_top5_agg = df_top5_agg.merge(top5_country_goal_df, left_on='country', right_on='country')
df_top5_agg.rename(columns={"size": "unsuc_num"}, inplace=True)
df_top5_agg

	country	pop	percPoverty	projekt_num	funded_amount_mean	loan_amount_mean	funded_amount_sum	unsuc_num
0	Pakistan	220892336.0	24.299999	26857	464.203003	495.019928	12467100.0	1937
1	Kenya	53771300.0	36.099998	75825	425.300415	455.447418	32248404.0	5446
2	El Salvador	6486201.0	22.799999	39875	585.773682	667.176147	23357724.0	7152
3	Philippines	109581088.0	16.700001	160441	339.541473	344.938171	54476376.0	2834
4	Cambodia	16718971.0	17.700001	34836	540.162476	570.464478	18817100.0	1372

df_top5_agg['unsuc_prc'] = round(df_top5_agg['unsuc_num'] / df_top5_agg['projekt_num'] * 100, 2)
df_top5_agg['founded_pro_1tsd_person'] = round(df_top5_agg['funded_amount_sum'] / df_top5_agg['pop'] * 1000, 2)

df_top5_agg

	country	pop	percPoverty	projekt_num	funded_amount_mean	loan_amount_mean	funded_amount_sum	unsuc_num	unsuc_prc	founded_pro_1tsd_person
0	Pakistan	220892336.0	24.299999	26857	464.203003	495.019928	12467100.0	1937	7.21	56.44
1	Kenya	53771300.0	36.099998	75825	425.300415	455.447418	32248404.0	5446	7.18	599.73
2	El Salvador	6486201.0	22.799999	39875	585.773682	667.176147	23357724.0	7152	17.94	3601.14
3	Philippines	109581088.0	16.700001	160441	339.541473	344.938171	54476376.0	2834	1.77	497.13
4	Cambodia	16718971.0	17.700001	34836	540.162476	570.464478	18817100.0	1372	3.94	1125.49

for_norm_df = df_top5_agg.loc[:, 
            ['percPoverty', 'projekt_num', 'funded_amount_mean', 'unsuc_prc', 'founded_pro_1tsd_person', 'pop']]
for_norm_df

	percPoverty	projekt_num	funded_amount_mean	unsuc_prc	founded_pro_1tsd_person	pop
0	24.299999	26857	464.203003	7.21	56.44	220892336.0
1	36.099998	75825	425.300415	7.18	599.73	53771300.0
2	22.799999	39875	585.773682	17.94	3601.14	6486201.0
3	16.700001	160441	339.541473	1.77	497.13	109581088.0
4	17.700001	34836	540.162476	3.94	1125.49	16718971.0

df_top5_agg_norm = (for_norm_df-for_norm_df.mean())/for_norm_df.std()

# df_top5_agg_norm = (for_norm_df-for_norm_df.min())/(for_norm_df.max()-for_norm_df.min())

df_top5_agg_norm = df_top5_agg_norm.merge(df_top5_agg.loc[:, 'country'], left_index=True, right_index=True)
df_top5_agg_norm

	percPoverty	projekt_num	funded_amount_mean	unsuc_prc	founded_pro_1tsd_person	pop	country
0	0.100746	-0.737464	-0.070279	-0.064013	-0.795114	1.588346	Pakistan
1	1.624857	0.149598	-0.472749	-0.068838	-0.409263	-0.315826	Kenya
2	-0.092997	-0.501641	1.187438	1.661766	1.722371	-0.854591	El Salvador
3	-0.880884	1.682429	-1.359973	-0.938965	-0.482131	0.320069	Philippines
4	-0.751722	-0.592923	0.715564	-0.589950	-0.035863	-0.737999	Cambodia

df_top5_agg_norm_t = df_top5_agg_norm.melt(id_vars=["country"], 
        var_name="Parameter", 
        value_name="Value")

df_top5_agg_norm_t.head(10)

	country	Parameter	Value
0	Pakistan	percPoverty	0.100746
1	Kenya	percPoverty	1.624857
2	El Salvador	percPoverty	-0.092997
3	Philippines	percPoverty	-0.880884
4	Cambodia	percPoverty	-0.751722
5	Pakistan	projekt_num	-0.737464
6	Kenya	projekt_num	0.149598
7	El Salvador	projekt_num	-0.501641
8	Philippines	projekt_num	1.682429
9	Cambodia	projekt_num	-0.592923

fig = px.line_polar(df_top5_agg_norm_t, r="Value", theta="country", color='Parameter', line_close=True,
            color_discrete_map={
                            'percPoverty':'#3d5a80' ,
                            'projekt_num':'#98c1d9',
                            'funded_amount_mean':'#109DA2',
                            'unsuc_prc':'#ee6c4d',
                            'founded_pro_1tsd_person':'#7F3D49',
                            'pop': '#293241'
                        })
fig.show()

#по континентам: средний размер займа, объем собранных денег, количество проектов, 

--> Man kann sehen, dass die Linien des gesammelten und des angeforderten Geldes nahe beieinander liegen und stellenweise zusammenfallen. Wie bereits erwähnt, bestätigt dies den Erfolg unseres Service. Die meisten Projekte haben ihr Ziel erreicht.
--> Im Durchschnitt befinden sich die größten Projekte in Europa und Amerika. In Asien und Afrika Projekte meist für kleine Beträge in US-Dollar.
--> 

Wie viel Geld wurde gesammelt in der Abhängigkeit von der Größe des Projekts?

df.groupby(by='project_size', as_index=True).size()

project_size
without investments      3383
small                  196004
medium                 179202
large                  157531
very large              81873
extrem large            53212
dtype: int64

for_visual = df.groupby(by='project_size', as_index=False).agg(funded_sum = ('funded_amount', 'sum'), 
                                                               count = ('project_size','size'))

sum_funded = for_visual.loc[:, 'funded_sum'].sum()
sum_count = for_visual.loc[:, 'count'].sum()

print(sum_funded, "    ", sum_count)

527563800.0      671205

for_visual['Investitionen, %'] = round(for_visual.loc[:, 'funded_sum'] / sum_funded * 100, 2)
for_visual['Anzahl der Projekte, %'] = round(for_visual.loc[:, 'count'] / sum_count * 100, 2)

fig = px.bar(data_frame=for_visual,x='project_size',y='funded_sum', text = 'count',
             color_discrete_sequence=["#98c1d9"],
            title="Wie viel Geld wurde gesammelt in der Abhängigkeit von der Größe des Projekts?",
             labels={'project_size':'Projektgröße', 'funded_sum':'Gesamtinvestition in US-Dollar'})
fig.update_traces(texttemplate='%{text} Prj.', textposition='outside')
fig.update_traces(showlegend=False)

fig.show()

Das Verhältnis zwischen der Anzahl der Projekte und der Menge des gesammelten Geldes, abhängig von der Größe des Investitionsprojekts

• Wie groß ist unser Hauptteil der Projekte?
• Haben wir große Investoren?
• Für welche Projekte wurde der Hauptteil der Mittel gesammelt?
• Sind die Leute bereit, große Geldsummen zu investieren?

# for_visual.head()


df_test = for_visual.loc[:, ["project_size", "Anzahl der Projekte, %", 'Investitionen, %']].melt(id_vars=["project_size"], 
        var_name="Parameter", 
        value_name="Value")
df_test

	project_size	Parameter	Value
0	without investments	Anzahl der Projekte, %	0.500000
1	small	Anzahl der Projekte, %	29.200000
2	medium	Anzahl der Projekte, %	26.700000
3	large	Anzahl der Projekte, %	23.470000
4	very large	Anzahl der Projekte, %	12.200000
5	extrem large	Anzahl der Projekte, %	7.930000
6	without investments	Investitionen, %	0.000000
7	small	Investitionen, %	6.940000
8	medium	Investitionen, %	13.350000
9	large	Investitionen, %	21.969999
10	very large	Investitionen, %	20.840000
11	extrem large	Investitionen, %	36.900002

df_test.replace({'project_size': 'small'}, 'small<br>bis 275 USD', inplace=True)
df_test.replace({'project_size': 'medium'}, 'medium<br>275 - 500 USD', inplace=True)
df_test.replace({'project_size': 'large'}, 'large<br>500 - 1,000 USD', inplace=True)
df_test.replace({'project_size': 'very large'}, 'very large<br>1,000 - 1,950 USD', inplace=True)
df_test.replace({'project_size': 'extrem large'}, 'extrem large<br>1,950 - 10,000 USD', inplace=True)

# fig = go.Figure(data=[
#     go.Bar(name='Investitionen, %', x=for_visual['project_size'], y=for_visual['funded_%'], text = for_visual['funded_%']),
#     go.Bar(name='Projekte Gesamtzahl, %', x=for_visual['project_size'], y=for_visual['count_%'], text = for_visual['count_%'])
# ])


fig = px.bar(df_test, x="project_size", y="Value",
             color='Parameter',
             color_discrete_sequence=["#FFD166", "#118AB2"],
             text='Value',
             category_orders={"Parameter": ['Anzahl der Projekte, %', 'Investitionen, %']},
             labels={ 'Value':'Value, %', 'project_size':'Projektgröße'},
            )

# Change the bar mode
fig.update_traces(texttemplate='%{text:.1f}%', textposition='outside') #:.2f
fig.update_layout(barmode='group', title="Gesamtinvestitionen und Gesamtzahl der Projekte nach Projektgröße") #, width=1000)#,
# fig.update_xaxes(categoryorder = "total ascending", title_text = "project_size")

fig.update_layout(legend=dict(
    yanchor="top",
    y=0.98,
    xanchor="left",
    x = 0.45
))

# 'count_%':'Anzahl der Projekte, %', 'funded_%': 'Investitionen, %',

fig.add_annotation( # add a text callout with arrow
    text="max. Einkommen!", x="extrem large<br>1,950 - 10,000 USD", y=38, arrowhead=5, showarrow=True
)


fig.add_annotation( # add a text callout with arrow
    text="max. Anzahl von Projekten!", x="small<br>bis 275 USD", y=31, arrowhead=5, showarrow=True
)

fig.show()

# [-1, 0, 275, 500, 1000, 1949, 100000]

--> 37% der Investitionen wurden für 8% sehr großer Projekte gesammelt. 
--> Umgekehrt sind 30% kleine Projekte, für die nur 7% der Gesamtinvestition gesammelt wurden.
--> Große Investitionsprojekte können nicht als Ausreißer betrachtet werden
--> In unserem Service können Menschen Investitionen bis zu 100.000 US-Dollar erhalten

Armutindex, GDP, Gesamtkreditvolumen

df.columns

Index(['funded_amount', 'loan_amount', 'activity', 'sector', 'use',
       'country_code', 'country', 'currency', 'term_in_months', 'lender_count',
       'borrower_genders', 'repayment_interval', 'has_description',
       'num_of_borrower', 'num_male', 'num_female', 'difference_usd',
       'difference_pct', 'success_type', 'Continent_Name',
       'Three_Letter_Country_Code', 'gdp', 'percPoverty', 'pop', 'loan_cat',
       'project_size', 'is_goal_achieved'],
      dtype='object')

# fig = px.scatter(df, y= 'loan_amount', x = 'percPoverty')
# fig.show()

#Зависимость индекса бедности и размера кредита
df_proverty = df.loc[df['percPoverty'].notnull(), :].copy()
df_proverty.shape

(670695, 27)

df_proverty['percPoverty'].describe()

count    670695.000000
mean         26.435173
std          11.894269
min           0.600000
25%          16.700001
50%          22.799999
75%          36.099998
max          76.400002
Name: percPoverty, dtype: float64

cats = ['0%-20%','20%-30%','30%-50%', '50%-100%']
# cats = ['0%-10%','10%-30%','30%-45%','45%-60%', '0%-100%']
def_bins =[0,20, 30,50,100]
# def_bins =[0,10,30,45,60, 100]
df_proverty['poverty'] = pd.cut(df_proverty['percPoverty'], bins=def_bins, labels=cats)

# sektor_gr_df = df_proverty.groupby(['sector'], as_index=False, observed=True).size()
poverty_gr_df = df_proverty.groupby(['poverty'], as_index=False, observed=True).size()

sector_vs_proverty_df = df_proverty.groupby(['sector', 'poverty'], as_index=False, observed=True).agg(
    #gdp_mean = ('gdp', 'mean'),
    funded_amount_mean = ('funded_amount', 'mean'),
    GKV = ('funded_amount', 'sum'),
    project_num = ('loan_amount', 'size')    
).merge(poverty_gr_df, left_on='poverty', right_on='poverty').sort_values('size', ascending=False)

sector_vs_proverty_df.head(10)

	sector	poverty	funded_amount_mean	GKV	project_num	size
0	Food	0%-20%	550.369934	27023716.0	49101	236876
8	Clothing	0%-20%	934.724976	4418445.0	4727	236876
1	Transportation	0%-20%	582.443542	3197615.0	5490	236876
14	Entertainment	0%-20%	1528.186646	573070.0	375	236876
13	Housing	0%-20%	561.755676	8848775.0	15752	236876
12	Personal Use	0%-20%	292.734131	6544950.0	22358	236876
10	Health	0%-20%	1054.052979	1313350.0	1246	236876
9	Construction	0%-20%	912.322205	1282725.0	1406	236876
11	Education	0%-20%	1001.551208	7389445.0	7378	236876
7	Retail	0%-20%	446.418793	26296744.0	58906	236876

sector_vs_proverty_df['sector_prc_prj'] = sector_vs_proverty_df['project_num'] / sector_vs_proverty_df['size'] * 100
sector_vs_proverty_df.sort_values(['sector', 'poverty'], inplace=True)

fig = px.line(sector_vs_proverty_df, y= 'sector_prc_prj', x = 'sector', color='poverty', markers=True ,
              color_discrete_map={
                            '0%-20%':'#3d5a80',
                            '20%-30%':'#98c1d9',
                            '30%-50%':'#ee6c4d',
                            '50%-100%':'#7F3D49',
                        })

# fig.update_xaxes(categoryorder = "total descending")
fig.update_traces(line=dict(width=1.75))
fig.show()

--- Für Länder mit einem hohen Armutsindex (50%-100%):

- 35% aller Projekte sind im Segment 'Food'
- 24.4% - im Segment 'Retail'
- 11.2% - 'Clothing'
- 10.5% - 'Agriculture' 

credit_size_vs_proverty_df = df_proverty.groupby(['loan_cat', 'poverty'], as_index=False, observed=True).agg(
    #gdp_mean = ('gdp', 'mean'),
    funded_amount_mean = ('funded_amount', 'mean'),
    funded_amount_sum = ('funded_amount', 'sum'),
    project_num = ('loan_amount', 'size')    
)
credit_size_vs_proverty_df

	loan_cat	poverty	funded_amount_mean	funded_amount_sum	project_num
0	< 250 USD	0%-20%	182.998184	16407800.0	89661
1	< 250 USD	20%-30%	194.321259	3737575.0	19234
2	< 250 USD	30%-50%	167.248062	7224280.0	43195
3	< 250 USD	50%-100%	163.629608	1817925.0	11110
4	250-500 USD	0%-20%	364.319427	26872564.0	73761
5	250-500 USD	20%-30%	385.306244	25741924.0	66809
6	250-500 USD	30%-50%	368.613586	17835000.0	48384
7	250-500 USD	50%-100%	351.468384	2585050.0	7355
8	500-1,000 USD	0%-20%	684.447998	28599660.0	41785
9	500-1,000 USD	20%-30%	716.494202	52005300.0	72583
10	500-1,000 USD	30%-50%	677.145142	27470424.0	40568
11	500-1,000 USD	50%-100%	715.563171	4955275.0	6925
12	1,000-2,000 USD	0%-20%	1277.587036	24919336.0	19505
13	1,000-2,000 USD	20%-30%	1289.952271	64932324.0	50337
14	1,000-2,000 USD	30%-50%	1236.950073	25893076.0	20933
15	1,000-2,000 USD	50%-100%	1303.960571	7169175.0	5498
16	2,000-5,000 USD	0%-20%	2655.140381	26293856.0	9903
17	2,000-5,000 USD	20%-30%	2874.956055	57372624.0	19956
18	2,000-5,000 USD	30%-50%	3111.080078	30127700.0	9684
19	2,000-5,000 USD	50%-100%	3194.875244	12686850.0	3971
20	>5,000 USD	0%-20%	6739.429688	15237850.0	2261
21	>5,000 USD	20%-30%	6151.070312	19111376.0	3107
22	>5,000 USD	30%-50%	6372.585449	18079024.0	2837
23	>5,000 USD	50%-100%	6945.254883	9258025.0	1333

fig = px.bar(credit_size_vs_proverty_df, y= 'funded_amount_sum', x = 'poverty', color='loan_cat',
             labels = {'funded_amount_sum' : 'Gesamtkreditbetrag', 'poverty' : 'Armutindex', 'loan_cat' : 'Kreditgröße'},
             color_discrete_sequence= px.colors.sequential.matter, title='Gesamtkreditbetrag nach Armutsindex')
fig.show()

fig = make_subplots(
    rows=1, cols=2,
    specs=[[{'type':'bar'},{'type':'bar'}]],
    horizontal_spacing = 0.09,
    subplot_titles=('Gesamtkreditbetrag nach Armutsindex', 
                    "Anzahl Kredite nach Armutsindex"))

fig1 = px.bar(credit_size_vs_proverty_df, y= 'poverty', x = 'funded_amount_sum', color='loan_cat', orientation='h',
             labels = {'funded_amount_sum' : 'Gesamtkreditbetrag', 'poverty' : 'Armutindex', 'loan_cat' : 'Kreditgröße'},
             color_discrete_sequence= px.colors.sequential.matter)


fig2 = px.bar(credit_size_vs_proverty_df, y= 'poverty', x = 'project_num', color='loan_cat', orientation='h',
             labels = {'project_num' : 'Gesamtkreditbetrag', 'poverty' : 'Armutindex', 'loan_cat' : 'Kreditgröße'},
             color_discrete_sequence= px.colors.sequential.matter)
fig.add_trace(fig1.data[0],row=1, col=1)
fig.add_trace(fig1.data[1],row=1, col=1)
fig.add_trace(fig1.data[2],row=1, col=1)
fig.add_trace(fig1.data[3],row=1, col=1)
fig.add_trace(fig1.data[4],row=1, col=1)
fig.add_trace(fig1.data[5],row=1, col=1)

fig.add_trace(fig2.data[0],row=1, col=2)
fig.add_trace(fig2.data[1],row=1, col=2)
fig.add_trace(fig2.data[2],row=1, col=2)
fig.add_trace(fig2.data[3],row=1, col=2)
fig.add_trace(fig2.data[4],row=1, col=2)
fig.add_trace(fig2.data[5],row=1, col=2)

fig.update_traces(showlegend=False, row=1,col=2)
fig.update_yaxes(showticklabels=False, row=1,col=1)
fig.update_yaxes(title_text = "Armutindex", row=1,col=1)
fig.update_xaxes(title_text = "Gesamtkreditbetrag, USD", row=1,col=1, autorange="reversed")
fig.update_xaxes(title_text = "Anzahl Projekte", row=1,col=2)


fig.update_layout(legend=dict(
    orientation="h",
    yanchor="bottom", y=-0.3,
    xanchor="left", x=0),
    legend_title_text= 'Kreditgröße', height=600)

fig.show()

In Ländern mit Armutindex 0%-20%

• Auf dem linken Bild kann mann sehen, dass die Anzahl der Projekten mit steigendem Kreditgöße schnell abnimmt (vo 90000 Projekte bis 2000 Projekte), wobei die höchste Anzahl von Projekten unter 250 USD liegt.
• Der Gesamtbetrag der erhaltenen Kredite für Projekte unter 250 USD und über 5.000 USD ist ungefähr gleich und liegt auf etwa 15 Millionen USD.
• Bei den übrigen Projekten, die zwischen 250 und 5.000 USD liegen, ist der Gesamtkreditbetrag ebenfalls gleich und liegt zwischen 25 und 28 Mio. USD.

• Die höchste Anzahl von Projekten unter 250 USD im Vergleich zu Ländern mit einem höheren Armutsindex.

    ---> Vielleicht spiegelt der Armutsindex nicht das finanzielle Wohlergehen der Bevölkerung eines Landes wider. Es wäre zu erwarten, dass in Ländern mit niedrigen Armutsindex weniger Mikrokredite vergeben werden. 

df.gdp.describe()

count    671205.000000
mean       3452.065186
std        6013.789062
min         238.990005
25%        1543.670044
50%        3298.830078
75%        3798.639893
max       63413.511719
Name: gdp, dtype: float64

cats = ['<1,5K USD','1,5-2,5K USD', '2,5-5K USD', '> 5K USD']
def_bins =[0, 1500,2500,5000, 65000]
df['gdp_cat'] = pd.cut(df_proverty['gdp'], bins=def_bins, labels=cats)

credit_size_vs_gdp_df = df.groupby(['loan_cat', 'gdp_cat'], as_index=False, observed=True).agg(
    #gdp_mean = ('gdp', 'mean'),
    funded_amount_mean = ('funded_amount', 'mean'),
    funded_amount_sum = ('funded_amount', 'sum'),
    project_num = ('loan_amount', 'size')    
)
# credit_size_vs_gdp_df

fig = make_subplots(
    rows=1, cols=2,
    specs=[[{'type':'bar'},{'type':'bar'}]],
    horizontal_spacing = 0.11,
    subplot_titles=('Gesamtkreditbetrag nach GDP', 
                    "Anzahl Kredite nach GDP"))

fig1 = px.bar(credit_size_vs_gdp_df, y= 'gdp_cat', x = 'funded_amount_sum', color='loan_cat', orientation='h',
             labels = {'funded_amount_sum' : 'Gesamtkreditbetrag', 'gdp_cat' : 'GDP', 'loan_cat' : 'Kreditgröße'},
             color_discrete_sequence= px.colors.sequential.matter)


fig2 = px.bar(credit_size_vs_gdp_df, y= 'gdp_cat', x = 'project_num', color='loan_cat', orientation='h',
             labels = {'project_num' : 'Gesamtkreditbetrag', 'gdp_cat' : 'GDP', 'loan_cat' : 'Kreditgröße'},
             color_discrete_sequence= px.colors.sequential.matter)
fig.add_trace(fig1.data[0],row=1, col=1)
fig.add_trace(fig1.data[1],row=1, col=1)
fig.add_trace(fig1.data[2],row=1, col=1)
fig.add_trace(fig1.data[3],row=1, col=1)
fig.add_trace(fig1.data[4],row=1, col=1)
fig.add_trace(fig1.data[5],row=1, col=1)

fig.add_trace(fig2.data[0],row=1, col=2)
fig.add_trace(fig2.data[1],row=1, col=2)
fig.add_trace(fig2.data[2],row=1, col=2)
fig.add_trace(fig2.data[3],row=1, col=2)
fig.add_trace(fig2.data[4],row=1, col=2)
fig.add_trace(fig2.data[5],row=1, col=2)

fig.update_traces(showlegend=False, row=1,col=2)
fig.update_yaxes(showticklabels=False, row=1,col=1)
fig.update_yaxes(title_text = "GDP", row=1,col=1)
fig.update_xaxes(title_text = "Gesamtkreditbetrag, USD", row=1,col=1, autorange="reversed")
fig.update_xaxes(title_text = "Anzahl Projekte", row=1,col=2)


fig.update_layout(legend=dict(
    orientation="h",
    yanchor="bottom", y=-0.3,
    xanchor="left", x=0),
    legend_title_text= 'Kreditgröße', height=600)

fig.show()

# fig = make_subplots(
#     rows=1, cols=2,
#     specs=[[{'type':'barpolar'},{'type':'barpolar'}]],
#     subplot_titles=('Gesamtkreditbetrag nach Armutsindex', 
#                     "Anzahl Kredite nach Armutsindex"))

# fig1 = px.bar_polar(credit_size_vs_proverty_df, r="funded_amount_sum", theta="poverty", 
#                    color="loan_cat", color_discrete_sequence= px.colors.sequential.matter) 

# fig2 = px.bar_polar(credit_size_vs_proverty_df, r="project_num", theta="poverty", 
#                    color="loan_cat", color_discrete_sequence= px.colors.sequential.matter) 

# fig.add_trace(fig1.data[0],row=1, col=1)
# fig.add_trace(fig1.data[1],row=1, col=1)
# fig.add_trace(fig1.data[2],row=1, col=1)
# fig.add_trace(fig1.data[3],row=1, col=1)
# fig.add_trace(fig1.data[4],row=1, col=1)
# fig.add_trace(fig1.data[5],row=1, col=1)

# fig.add_trace(fig2.data[0],row=1, col=2)
# fig.add_trace(fig2.data[1],row=1, col=2)
# fig.add_trace(fig2.data[2],row=1, col=2)
# fig.add_trace(fig2.data[3],row=1, col=2)
# fig.add_trace(fig2.data[4],row=1, col=2)
# fig.add_trace(fig2.data[5],row=1, col=2)

# fig.update_traces(showlegend=False, row=1,col=1)
# fig.update_layout(legend_title_text= 'Kreditgröße')

# fig.update_polars(angularaxis_rotation=45)
# fig.update_polars(angularaxis_direction= 'clockwise')

# # fig.update_layout(legend=dict(
# #     orientation="h",
# #     yanchor="top", y=0,
# #     xanchor="left", x=0))
# fig.show()

gdp_gr_df = df.groupby(['gdp_cat'], as_index=False, observed=True).size()

sector_vs_gdp_df = df.groupby(['sector', 'gdp_cat'], as_index=False, observed=True).agg(
    #gdp_mean = ('gdp', 'mean'),
    funded_amount_mean = ('funded_amount', 'mean'),
    GKV = ('funded_amount', 'sum'),
    project_num = ('loan_amount', 'size')    
).merge(gdp_gr_df, left_on='gdp_cat', right_on='gdp_cat').sort_values('size', ascending=False)

sector_vs_gdp_df.head(10)

	sector	gdp_cat	funded_amount_mean	GKV	project_num	size
30	Food	2,5-5K USD	589.589294	37645276.0	63850	282822
38	Clothing	2,5-5K USD	1007.794189	9206200.0	9135	282822
31	Transportation	2,5-5K USD	639.385132	4294750.0	6717	282822
32	Arts	2,5-5K USD	992.281616	5123150.0	5163	282822
33	Services	2,5-5K USD	990.285522	13473825.0	13606	282822
34	Agriculture	2,5-5K USD	657.759399	45209776.0	68733	282822
36	Wholesale	2,5-5K USD	1280.603394	222825.0	174	282822
37	Retail	2,5-5K USD	502.159088	33671776.0	67054	282822
35	Manufacturing	2,5-5K USD	819.133728	2321425.0	2834	282822
39	Construction	2,5-5K USD	981.422546	2204275.0	2246	282822

sector_vs_gdp_df['sector_prc_prj'] = sector_vs_gdp_df['project_num'] / sector_vs_gdp_df['size'] * 100
sector_vs_gdp_df.sort_values(['sector', 'gdp_cat'], inplace=True)

fig = px.line(sector_vs_gdp_df, y= 'sector_prc_prj', x = 'sector', color='gdp_cat', markers=True ,
              color_discrete_map={
                            '<1,5K USD':'#3d5a80',
                            '1,5-2,5K USD':'#98c1d9',
                            '2,5-5K USD':'#ee6c4d',
                            '> 5K USD':'#7F3D49',
                        })

# fig.update_xaxes(categoryorder = "total descending")
fig.update_traces(line=dict(width=1.75))
fig.show()

Höhe des Kredits pro Kopf

df_proverty.columns

Index(['funded_amount', 'loan_amount', 'activity', 'sector', 'use',
       'country_code', 'country', 'currency', 'term_in_months', 'lender_count',
       'borrower_genders', 'repayment_interval', 'has_description',
       'num_of_borrower', 'num_male', 'num_female', 'difference_usd',
       'difference_pct', 'success_type', 'Continent_Name',
       'Three_Letter_Country_Code', 'gdp', 'percPoverty', 'pop', 'loan_cat',
       'project_size', 'is_goal_achieved', 'poverty'],
      dtype='object')

pop_params_df = df_proverty.groupby(
    ['Three_Letter_Country_Code', 'pop', 'country', 'percPoverty', 'Continent_Name'],
    as_index=False, observed=True).agg(funded_amount_sum = ('funded_amount', 'sum'), project_num = ('loan_amount', 'size'))

pop_params_df['funded_amount_pro_person'] = pop_params_df['funded_amount_sum'] / pop_params_df['pop']

pop_params_df.sort_values('funded_amount_pro_person', ascending=False)

	Three_Letter_Country_Code	pop	country	percPoverty	Continent_Name	funded_amount_sum	project_num	funded_amount_pro_person
51	WSM	1.984100e+05	Samoa	20.299999	Oceania	5641825.0	7396	28.435185
49	PRY	7.132530e+06	Paraguay	23.500000	South America	29412700.0	11903	4.123740
48	ARM	2.963234e+06	Armenia	26.400000	Europe	11186675.0	8631	3.775157
4	SLV	6.486201e+06	El Salvador	22.799999	North America	23357724.0	39875	3.601141
14	PSE	4.803269e+06	Palestine	29.200001	Asia	12032025.0	8167	2.504966
...	...	...	...	...	...	...	...	...
63	MRT	4.649660e+06	Mauritania	31.000000	Africa	15000.0	1	0.003226
45	BRA	2.125594e+08	Brazil	26.500000	South America	661025.0	284	0.003110
78	CIV	2.637828e+07	Cote D'Ivoire	39.500000	Africa	50000.0	1	0.001895
74	AFG	3.892834e+07	Afghanistan	54.500000	Asia	14000.0	2	0.000360
72	CHN	1.410929e+09	China	0.600000	Asia	373475.0	134	0.000265

80 rows × 8 columns

pop_params_df['funded_amount_pro_person'].describe()

count    80.000000
mean      0.856095
std       3.231297
min       0.000265
25%       0.040818
50%       0.163661
75%       0.611959
max      28.435185
Name: funded_amount_pro_person, dtype: float64

pop_params_df['funded_amount_pro_person'].sort_values(ascending=False)

51    28.435185
49     4.123740
48     3.775157
4      3.601141
14     2.504966
        ...    
63     0.003226
45     0.003110
78     0.001895
74     0.000360
72     0.000265
Name: funded_amount_pro_person, Length: 80, dtype: float64

pop_params_df.loc[51, :]

Three_Letter_Country_Code          WSM
pop                           198410.0
country                          Samoa
percPoverty                  20.299999
Continent_Name                 Oceania
funded_amount_sum            5641825.0
project_num                       7396
funded_amount_pro_person     28.435185
Name: 51, dtype: object

Samoa - Ausreißer mit 28.43 USD pro Kopf, löschen für eine mehr übersichtliche Darstellung.

for_visual = pop_params_df.drop(labels=[51], axis=0)

fig = px.scatter(for_visual, x='percPoverty', y='funded_amount_pro_person', hover_name="country", size='project_num',
                size_max=50, color='Continent_Name',
                labels={'funded_amount_pro_person':'Kreditbetrag pro Person, USD',
                       'percPoverty' : 'Armutsindex',
                       'Continent_Name' : 'Kontinent'})
fig.show()

fig = px.choropleth(for_visual, locations="Three_Letter_Country_Code",
                    color="funded_amount_pro_person", # lifeExp is a column of gapminder
                    hover_name="country", # column to add to hover information
                    color_continuous_scale=px.colors.sequential.matter,
                    labels={'funded_amount_pro_person':'Kreditbetrag<br>pro Person, USD'})

fig.update_layout(title="Pro-Kopf-Kredit nach Ländern") 
fig.show()

Wer sind unsere Kunden?

df.columns

Index(['funded_amount', 'loan_amount', 'activity', 'sector', 'use',
       'country_code', 'country', 'currency', 'term_in_months', 'lender_count',
       'borrower_genders', 'repayment_interval', 'has_description',
       'num_of_borrower', 'num_male', 'num_female', 'difference_usd',
       'difference_pct', 'success_type', 'Continent_Name',
       'Three_Letter_Country_Code', 'gdp', 'percPoverty', 'pop', 'loan_cat',
       'project_size', 'is_goal_achieved', 'gdp_cat'],
      dtype='object')

for_visual = df.groupby('num_of_borrower', as_index=False).size().sort_values('num_of_borrower')


fig = px.scatter(for_visual, x='num_of_borrower', y='size',
                 log_y=True,
                 color_discrete_sequence=["#3d5a80"],
                labels={'size': 'log. Anzahl Projekte', 'num_of_borrower':'Anzahl Kreditnehmer'})  
fig.show()

round(for_visual.loc[for_visual.num_of_borrower == 1, 'size'] / df.shape[0]* 100, 2)

1    83.61
Name: size, dtype: float64

round(for_visual.loc[for_visual.num_of_borrower == 0, 'size'] / df.shape[0]* 100, 2)

0    0.63
Name: size, dtype: float64

--- Der Großteil der Projekte (83.61 %) wird von einzelnen Kreditnehmern vergeben.

--- Der Rest sind Gruppen von Kreditnehmern mit bis zu 50 Personen.

--- Bei 0.63% Prozent der Projekte liegen keine Informationen über die Kreditnehmer vor.

def get_borrower_sex(num_male, num_female):
    
    if (num_male == 0) & (num_female > 0):
        return 'F'
    elif (num_female == 0) & (num_male > 0):
        return 'M'
    elif (num_female > 0) & (num_male > 0):
        return 'FM'
    else:
        return 'U'

df['borrower_type'] = df.loc[:, ['num_male','num_female']].apply(lambda x: get_borrower_sex(x['num_male'], x['num_female']), axis=1)

df.loc[:, ['num_male', 'num_female', 'borrower_type']].head(3)

	num_male	num_female	borrower_type
0	0	1	F
1	0	2	F
2	0	1	F

for_visual = df.groupby('borrower_type', as_index=False).size()


fig = px.pie(
    for_visual,
    values='size',
    names='borrower_type',
    color='borrower_type',
    title='',
    color_discrete_map={
                            'F':'#3d5a80',
                            'M':'#98c1d9 ',
                            'FM':'#ee6c4d',
                            'U':'#293241'
                        }
)

fig.update_traces(textposition='auto', textinfo='percent + label')


fig.show()

--- 72,4 % der Kreditanfragen wurdenn von Frauen oder einer Gruppe von Frauen gestellt. Auf der anderen Seite haben Männer oder Gruppen von Männern nur 20,6 % der Anfragen gestellt.

f = sum(df['num_female'])
m = sum(df['num_male'])
g = m + f
print('Anzahl Frauen =', f, ',', round(f / g * 100, 2), '%')
print('Anzahl Männer =', m, ',', round(m / g * 100, 2), '%')
print('Verhaltnis =', round(f / m, 3))

Anzahl Frauen = 1071308 , 79.58 %
Anzahl Männer = 274904 , 20.42 %
Verhaltnis = 3.897

--- Unabhängig von der Zusammensetzung der Gruppen sind 79.58% der Kreditnehmer Frauen und nur 20.42% Männer.

---> Das müssen wir bei unserem Marketing berücksichtigen.

df_gender = df.groupby("num_of_borrower", as_index=False).agg(
    number_males=("num_male", "sum"),
    number_females=("num_female", "sum")
)

df_gender["ratio"] = df_gender["number_males"] / df_gender["number_females"]

df_gender.drop([0], axis = 0, inplace=True)
df_gender.reset_index(inplace=True, drop=True)

df_gender.head()

	num_of_borrower	number_males	number_females	ratio
0	1	134710.0	426502.0	0.315848
1	2	4992.0	27432.0	0.181977
2	3	7198.0	41402.0	0.173856
3	4	8298.0	45890.0	0.180824
4	5	12863.0	54572.0	0.235707

max(df_gender.ratio)

1.0025839793281655

# Create figure with secondary y-axis
fig = make_subplots(specs=[[{"secondary_y": True}]])

# Add traces
fig.add_trace(
    go.Scatter(x=df_gender['num_of_borrower'], y=df_gender['number_males'],
               marker_color='#506280', mode="lines+markers",
          name='Männer'),
    secondary_y=False,
)
fig.add_trace(
    go.Scatter(x=df_gender['num_of_borrower'], y=df_gender['number_females'],
               marker_color='#F3927A', mode="lines+markers",
          name='Frauen'),
    secondary_y=False,
)

                                                       
fig.add_trace(
    go.Scatter(x=df_gender['num_of_borrower'], y=df_gender['ratio'],
               name='Männer/Frauen Ratio', mode="lines+markers", opacity=0.4,
              line=dict(color='#293241')),
    secondary_y=True,
)

# Add figure title
fig.update_layout(
    title_text="Anzahl der weiblichen und männlichen Kreditnehmer für jede Projektgröße (Anzahl der Kreditnehmer)"
)

fig.update_xaxes(title_text="Anzahl Kreditnehmer im Projekt", range=[0, 51])


fig.update_yaxes(title_text="log. Anzahl Kreditnehmer", type="log", secondary_y=False)
fig.update_yaxes(title_text="Männer / Frauen Ratio", secondary_y=True)#, range=[0, 1.1])
fig.update_layout(barmode='relative')

fig.show()

1. Das Verhältnis zwischen Männern und Frauen ist bei allen Projektgrößen (gemessen an der Zahl der Teilnehmer) weitgehend konstant und die Frauen dominieren zahlenmäßig völlig.

   Dies zeigt uns, dass es für Frauen kein Problem ist, ihre eigenen Projekte ohne Männer zu starten, und sie die größte Kundengruppe sind, wenn wir die Kreditnehmer betrachten.

   ---> Dies kann dazu genutzt werden, unsere Marketingstrategie sowohl für Kreditnehmer als auch für Kreditgeber anzupassen. Wir unterstützen unabhängige Frauen bei der Gründung ihres eigenen Unternehmens.

1. Die Grafik zeigt, dass die Hauptgruppe der Kreditnehmer Singles sind. Wenn die Zahl der Kreditnehmer steigt, sinkt die Zahl der Projekte. Das heißt, unser Hauptgeschäft sind kleine Projekte mit einer kleinen Anzahl von Kreditnehmern. Es besteht die Möglichkeit, das Geschäft auf größere Projekte auszuweiten.